VIMIAC10 Mesterséges intelligencia tárgy - 2022/23. I. félév - 2. házi feladat

Lunar Lander

Környezet

Arstotzka állam hatalmas technológiai fejlődésen esett át az elmúlt évtizedekben, mióta a tudósoknak már nem kell a háborúk miatt külföldre menekülniük. E folyamat tetőpontján a Központi Bizottság úgy döntött, hogy immár közel hetven évnyi kihagyás után újból eljött az ideje, hogy embert juttassunk a Holdra, mégpedig nem mást, mint Arstotzka legkiválóbb lakosainak egyikét. Tekintve azonban, hogy Arstotzka polgárait még a tengeribetegség is szörnyen megviseli (ez nem csoda, hiszen Arstotzka kicsiny nemzetének sajnos még tengerpartja sincs), így a küldetés teljes egészét úgy kell megterveznie az újonnan alakult Arstotzkai Űrügynökségnek, hogy az szükség esetén teljesen autonóm módon is működni tudjon. Mostanra a rendszer szinte minden komponense készen áll, viszont a mérnökök problémába ütköztek a leszállást irányító szoftver implementációjával. Így tehát ezen házi feladat során ránk hárul a megtisztelő feladat, hogy Arstotzka egy polgárát (állapotától függetlenül) eljuttathassuk a Holdra!

Feladat

Ebben a házi feladatban a cél egy tanuló ágens implementálása, amely képes egy egyszerű szimulációs környezetben biztonságos leszállást végrehajtani egy holdraszálló egységgel. Ehhez javasoljuk a táblázatos Q-tanulás használatát. Egy kiértékelés $1.000.000$ tanulási iterációt és $10$ epochnyi éles következtetést jelent. Egy iteráció azt jelenti, hogy az ágens megkapja a legfrissebb környezeti állapotot, és az alapján visszaadja, hogy mit cselekszik. Esetünkben 0: ha nem csinál semmit, 1: ha bekapcsolja a főhajtóművet, 2: ha bekapcsolja a baloldali hajtóművet, és 3: ha bekapcsolja a jobboldali hajtóművet. Ha az ágens valamilyen módon landol, vagy kifut az időből (200 iteráció), akkor a szimuláció elölről kezdődik. Egy epoch az indulástól számítva az ágens landolásáig, illetve legfeljebb 200 iteráción keresztül tart. Az ágensnek minden iteráció után lehetősége van tanulni, ehhez megkapja az előző állapotot, az új állapotot, a cselekvését és a kapott jutalmat. Az epochok és a tanítás végét is függvény jelzi az ágens számára.

A feladat megoldásához kiadunk egy, a Moodle rendszerben futtatotthoz hasonló kiértékelő környezetet. Kérjük, hogy első körben ezen történjen meg a házi feladat tesztelése. A tanítás $10^6$ iteráción keresztül történik. Ezután következik a kiértékelés, amely $10$ darab szimulációból (epoch-ból) áll. Ez a $10$ darab szimuláció képezi a kiértékelés alapját. Minden szimulációnak ötféle kimenetele lehet:

• landolás: Az ágens sikeresen letette a holdraszálló egységet a platformra, a megengedett toleranciaértéken belüli sebességgel (<= 2m/s).
• landolás (törött láb): Az ágens sikeresen letette a holdraszálló egységet a platformra a megengedett sebességnél gyorsabban, de emiatt csak a leszállóegység lábai sérültek, az egység működőképes maradt (<= 4m/s).
• landolás (megsemmisült): Az ágens a leszállás során eltalálta a platformot, viszont túl nagy sebességgel érkezett (> 4m/s), ezért a leszállóegység jelentős sérülést szenvedett.
• lezuhant: Az ágens elérte a szimulációs tér szélét, és nem találta el a platformot.
• letelt az idő: Az előre meghatározott időkeret (200 iteráció) letelt, és az ágens még nem érte el a szimulációs tér szélét.

A kiértékelés során végrehajtott $10$ darab iteráció közül minden landolás eredmény $4$ pontot, a landolás (törött láb) eredmények $2$ pontot, a landolás (megsemmisült) eredmény pedig $1$ pontot ér. A lezuhant és letelt az idő egyaránt $0$ pontot érnek, az elérhető maximális pontszám pedig $12$. (Ez azt jelenti, hogy a maximum pontot azzal is meg lehet szerezni, hogyha az ágens 10-ből 3-szor tökéletesen landol.)

A szimuláció folyamata és a jutalomrendszer

A szimuláció egy $300$ méter széles, és $200$ méter magas térben történik. A holdraszálló egység a tér közepe fölött, $180$ méteres magasságban kezd, és az a feladata, hogy a tér alján véletlenszerűen elhelyezett, 40 méter szélességű platformon landoljon a hajtóművek segítségével. Emellett a holdraszálló egység kezdősebessége is véletlenszerű, a kezdősebességét leíró vektor vízszintes komponensét $-1$ és $1$, függőleges komponensét pedig $1$ és $5$ között (itt a sebességvektor függőleges komponense esetén a pozitív irány lefelé mutat) egyenletes eloszlás szerint sorsoljuk. A szimuláció során az ágens használhatja a leszállóegység három hajtóművét, amelyek közül kettő oldalirányba, egy pedig lefelé "mutat". A leszállóegységre folyamatosan hat a lefelé mutató gravitációs erő, amelyhez hozzáadódik egy-egy megfelelő irányú erővektor a három hajtómű bármelyikének aktiválása esetén. A szimuláció véget ér, hogyha a leszállóegység eléri a szimulációs tér bármelyik szélét, vagy ha letelik a rendelkezésre álló idő. A szimuláció lehetséges kimeneteinek listájához lásd: előző bekezdés. Minden szimuláció kezdetén a jutalom értéke $0$, és minden iterációban módosul az alábbi szabályok szerint:

• Hogyha a leszállóegység használta valamelyik hajtóművét a háromból (tehát [1, 2, 3] cselekvések): $-0.01$
• Hogyha a platformra mutató vektor vízszintes komponensének abszolútértéke csökkent az előző iterációhoz képest: $+0.1$
• Hogyha a platformra mutató vektor vízszintes komponensének abszolútértéke növekedett az előző iterációhoz képest: $-0.1$
• Hogyha a szimuláció véget ért, akkor az egyes kimenetelekhez tartozó jutalmakat az alábbi táblázat írja le (itt $V$ a beérkezés pillanatában mért sebességet jelöli):

Kimenetel	Jutalom
landolás	$+100$
landolás (törött láb)	$+(50 - 10V)$
landolás (megsemmisült)	$+10$
lezuhant	$-100$
letelt az idő	$-10$

A megfigyelési tér

Az ágens minden iterációban megkapja a leszállóegységtől a platform közepébe mutató vektor X és Y komponensét, illetve a leszállóegység pillanatnyi sebességvektorának X és Y komponensét. Így tehát a környezet állapotát leíró vektor: [TargetX, TargetY, VelocityX, VelocityY] A vektor mind a négy értéke folytonos (float), és az alábbi tartományban lehet:

Érték	min	max
TargetX	$-300$	$300$
TargetY	$0$	$200$
VelocityX	$-7$	$7$
VelocityY	$-7$	$7$

Beadandó

• A Moodle-re python és java nyelven írt implementáció esetében is egy-egy fájlt kell feltölteni. Ehhez kiadunk egy-egy sablont, amiben a szükséges függvények megtalálhatóak. Ezek szignatúráit nem érdemes módosítani, különben nem fog lefutni a beadás.
• Java implementáció esetén nem lehet használni semmilyen külső csomagot, csakis a java 11.0.7 beépített könyvtárait. A Q-táblázatos megoldáshoz előre megírtunk egy egyszerű osztályt a LunarLanderAgentBase.java fájlban.
• Python-ban (3.7.3-as verzió) írt megoldás esetén lehet használni a numpy könyvtárat (1.16.2-es verzió).
• Mindkét esetben pontosan egy fájlt kell feltölteni: LunarLanderAgentBase.java vagy lunar_lander_agent_base.py névvel.

A futtatókörnyezet beállítása

A feladatot java és python nyelven egyaránt meg lehet oldani, az egyes nyelvekhez tartozó natív kiértékelőt felhasználva. Emellett a feladathoz mellékeltünk egy grafikus megjelenítőt (GUI), amely megfelelő beállítások mellett Java és Python megoldáshoz egyaránt használható.

Java-specifikus beállítások

Java nyelv használata esetén az implementációnkat a LunarLanderAgentBase.java fájlban készíthetjük el, majd az elkészült megoldás a LunarLanderEvaluator.java fájl futtatásával tesztelhető.

Amennyiben a grafikus megjelenítőt (GUI) is használni szeretnénk, úgy telepítenünk kell egy Python futtatókörnyezetet (lásd: következő bekezdés), majd meg kell adnunk a Java futtatókörnyezetünkhöz tartozó java és javac végrehajtható fájlok elérési útját a lunar_lander_java_agent.py fájlban, a java_exec_path és a javac_exec_path változók beállításával. Például, hogyha Windows operációs rendszert használunk, és a JDK-t a C:\Program Files\Java\jdk-11.0.16.1 mappába telepítettük, akkor ezen két változó értékét az alábbi módon kell beállítanunk:

java_exec_path = 'C:\\Program Files\\Java\\jdk-11.0.16.1\\java.exe'
javac_exec_path = 'C:\\Program Files\\Java\\jdk-11.0.16.1\\javac.exe'

Linux vagy MacOS esetén ezen futtatandó állományok elérési útjának és kiterjesztésének formátuma eltérő lehet. (pl. a Linux operációs rendszerek fájlrendszerében tárolt végrehajtható fájlok nevéhez nem társítunk ".exe" kiterjesztést, amely Windows-specifikus) Ezt követően győződjünk meg róla, hogy a lunar_lander_gui.py fájl végén az agent változó értékének a LunarLanderJavaAgent osztály egy példányát adjuk (erre példakód már eleve jelen van a fájlban, kikommentezve), majd ezen fájl futtatásával elindíthatjuk a házi feladat kiértékelőjének grafikus felülettel ellátott változatát. Mivel a java és python nyelven íródott részeket összefogó glue kód a standard ki- és bemeneteken keresztül kommunikál, ezért a GUI futtatása során különösen fontos, hogy a Java megoldás ne írjon semmit a standard kimenetre.

Python-specifikus beállítások

Python nyelven írt megoldás esetén az első lépés értelemszerűen egy Python környezet telepítése, ammennyiben az még nincs beállítva a számítógépünkön. Ezt megtehetjük a hivatalos Python telepítő vagy a - valamelyest könnyebben kezelhető - Anaconda keretrendszer segítségével. Mindkét opció egyformán elérhető Windows, Linux és Mac OS operációs rendszerekre. Ezt követően telepítsük a futtatáshoz szükséges python könyvtárakat, amelyek listáját a requirements.txt fájlban adtuk meg. A telepítés legegyszerűbben a pip parancs segítségével eszközölhető, az alábbi módon: pip install -r requirements.txt

Kezdetben győződjünk meg róla, hogy a lunar_lander_gui.py és a lunar_lander_evaluator.py fájlokban a LunarLanderAgent osztály egy példányát adjuk meg az agent változó értékeként. Ennek hatására a keretrendszer a lunar_lander_agent_base.py fájlban található implementációt fogja alapul venni a futtatás során.

Ezt követően implementáljuk a megoldást a lunar_lander_agent_base.py fájl módosításával, a lentebb részletezett interfész-specifikáció alapján. Az implementált megoldást ki lehet próbálni a GUI-val rendelkező megjelenítő (lunar_lander_gui.py) vagy a Moodle által is használt kiértékelő (lunar_lander_evaluator.py) futtatásával.

Az interfészről

A feladat megoldása során csak a LunarLanderAgentBase.java vagy lunar_lander_agent_base.py fájlt szabad módosítani, illetve ez az egyetlen fájl, amelyet a Moodle rendszerbe be is kell adni. Az ebben a fájlban fájlban található LunarLanderAgentBase osztályt implementálja majd a LunarLanderAgent osztály, amely kiegészíti azt egy step() függvénnyel. A LunarLanderAgentBase osztály konstruktorában alapból definiálásra kerül egy Q táblát leíró változó (qTable vagy q_table), és egy epsilon paraméter. Ezek létezése a step() függvény futása miatt fontos, enélkül az nem fog működni.

Emellett a LunarLanderAgentBase osztályt definiáló fájl tartalmaz egy OBSERVATION_SPACE_RESOLUTION nevű statikus változót, amelyben meg kell adnunk, hogy az állapottér 4 értékét egyenként hány szintre fogjuk kvantálni. Ez azért fontos, mert ez határozza meg a Q tábla méretét. Emiatt az állapot kvantálásáért felelős függvény (quantizeState() vagy quantize_state()) mindig egy olyan integer listát/tömböt kell visszaadjon, amellyel a Q tábla indexelhető. Például, hogyha a kvantálási szinteket a következő módon választjuk meg: [15, 10, 15, 8] akkor a kvantáló függvény visszatérési értéke értékkészletének a következőnek kell lennie: [0-14, 0-9, 0-14, 0-7] (tehát például az első állapotleírónak legalább 0 és legfeljebb 14 integer értékűnek kell lennie).

Mielőtt belekezdenénk az implementációba, javasolt tanulmányozni a LunarLanderAgent osztályban definiált step() függvény működését!

A megvalósítandó függvények szignatúráinak leírása az alábbi:

konstruktor LunarLanderAgentBase(), LunarLanderAgentBase()

• observation space: minimum-maximum párok listája/tömbje, amelyek az állapotteret leíró változók által fölvett legkisebb és legnagyobb értéket (float) tartalmazzák: [platformra mutató vektor X komponense, platformra mutató vektor Y komponense, sebességvektor X komponense, sebességvektor Y komponense]
• action space: integer lista/tömb, a lehetséges cselekvésekkel ([0, 1, 2, 3], ahol a 0 a "ne csinálj semmit", 1 a "fő hajtómű", 2 a "hajtómű jobbra" és 3 a "hajtómű balra")
• number of iterations: tanulási iterációk száma

állapotkvantálás quantizeState(), quantize_state() - Visszaadja a kapott folytonos állapothoz tartozó kvantált értéket.

• observation space: a konstruktor által is megkapott minimum-maximum párok listája/tömbje, az állapottér változóihoz
• state: a kvantálandó állapot

epoch vége epochEnd(), epoch_end() - Minden epoch végén meghívódik.

• epoch reward sum: az epochban szerzett jutalmak összege

tanulás learn() - Minden iterációban meghívódik a tanulás során, ez alapján lehet tanítani az ágenst.

• old state: előző állapot
• action: az előző állapotban végrehajtott cselekvés
• new state: a cselekvés eredményeképp létrejött állapot
• reward: az új állapotba lépéssel együtt kapott jutalom

tanítás vége trainEnd(), train_end() - Jelzi a tanítás végét, ez után kezdődik a kiértékelés.

Javaslatok

• A feladat megoldható maximális pontszámmal Q táblázatos módszerrel.
• A Q tábla méretének (tehát az állapottér változóira alkalmazott kvantálási szintek számának) megfelelő meghatározása kulcsfontosságú. Túlzottan nagy felbontású kvantálás mellett az ágens nem fogja kellő alapossággal fölfedezni az állapotteret, és a számításigény és a memóriaigény is jelentősen megnövekszik. Túlságosan durva (alacsony felbontású) kvantálás mellett pedig előfordulhat, hogy az ágens nem jut kellő mennyiségű információhoz, és így nem tud majd megfelelően dönteni.
• Az állapotteret nem csak lineárisan lehet kvantálni. Az állapottér kevésbé fontos részeit (tehát azokat a részeket, ahol feltételezzük, hogy mindenképp csak egyféle helyes döntés létezik, például a sebességvektor szélsőértékeinek közelében, ahol biztosan lassítani kell) kvantálhatjuk alacsonyabb felbontással is, mint a többi részt. Ezáltal a futásidő javul, és a tanulás során az ágens jobban fel tudja fedezni az állapotteret.
• Erősen ajánlott tanulás közben bizonyos időközönként módosítani az epsilon ("explore/exploit") paramétert (epsilon-decay), valamint a Q-tanulás frissítési szabályainak paramétereit. Emellett akár a jutalmakat is át lehet skálázni az ágens működésén belül.
• A trainEnd()/train_end() függvények iránymutatásként vannak jelen.
• Bármilyen felmerülő kérdés esetén a Mesterséges Intelligencia Teams-csoport "Házi Feladat" csatornájába érdemes írni. Itt egyrészről hamarabb érkezik majd válasz a föltett kérdésekre, illetve a válaszokból így mások is okulhatnak.
• Érdemes a beadási határidő előtt legalább néhány nappal elkezdeni a házi feladat megoldását, mert a határidő közeledtével a rendszer terhelése és az oktatók válaszideje is jelentősen megnőhet.
• A kiadott kódfájlok között szerepel egy billentyűzettel való irányítást lehetővé tevő ágens is a lunar_lander_user_agent.py fájlban, amely szabadon használható (értelemszerűen csak a GUI-val rendelkező változatban érdemes a szimulációt ezzel az ágenssel futtatni).
  • Az irányításhoz a billentyűzet A: (hajtómű balra), S: (főhajtómű), D: (hajtómű jobbra) gombjait lehet használni.

Egyéb fontos tudnivalók

• A megoldás forráskódja nem tartalmazhat ékezetes vagy nem ASCII[0:127] karaktert.
• A megoldásnak nem kell, hogy kimenete legyen, ezért ne legyen bennefelejtett debug print, mert errort jelezhet a kiértékelő.
• A keretrendszer csak natív python nyelven írt megoldás esetén támogatja a közvetlen debug-olást valamilyen IDE (pl. PyCharm) segítségével. Java nyelven írt megoldásnál a standard kimenetre való print-elés a debug-olás egyetlen módja, viszont a Moodle-re feltöltött változatban semmilyen kiíratás nem lehet, különben hibát fog jelezni a kiértékelő. Ebből adódóan nagyon fontos, hogy a debug-oláshoz használt kiíratásokat töröljük a beadás előtt.
• A feltöltött megoldás megengedett futásideje CPU-időben 40 másodperc. Időtúllépés esetén a rendszer automatikusan leállítja a kód futását.
• A feltöltött megoldás összesen legfeljebb 1000 MB memóriát allokálhat. Ezen érték túllépése esetén a rendszer automatikusan leállítja a kód futását.
• A 2. beadástól kezdve 10 percenként lehet újra próbálkozni.
• A legmagasabb pontszámot elérő beadás eredménye számít.
• Minden bugreportot/javaslatot szívesen fogadunk, igyekszünk javítani.